SSA-PointNet++:空间自注意力机制下的3D点云语义分割网络

摘要：

为增强捕捉细粒度局部特征能力以进一步提高复杂场景点云语义分割精度,将自注意力机制引入PointNet++构建点云语义分割网络SSA-PointNet++.首先将采样点邻域的自注意力明确分为中心自注意力和邻域自注意力两部分,综合两者并结合不同空间编码方式增强网络模型对采样点邻域拓扑结构的学习;然后构建注意力池化模块以强化重要信息在网络的有效传递,并通过差异性池化函数整合注意力池化、最大池化提取的多个全局特征以提高点云语义分割结果的鲁棒性.对公开数据集S3DIS,Semantic3D的场景语义分割实验表明,所提网络模型数据集分割精度mIoU较基准模型提升效果显著,在室内数据集S3DIS上的mIoU较PointNet++提升达6.6％,在室外数据集Semantic3D上的mIoU高出MSDeepVoxNet约3％;与公开数据集上其他网络模型的分割结果相比,所提模型性能均有不同程度的提升,具有更强的泛化性能和良好的应用价值.

关键词：点云语义分割、深度学习、卷积神经网络、自注意力机制

所属期刊栏目：34

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;浙江省宁波市科技创新重大专项;浙江省宁波市科技创新重大专项;广西自然科学基金;广西自动检测技术与仪器重点实验室项目

在线出版日期：2022-03-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：437-448